SVM线性与非线性支持向量机探索.pptxVIP

下载本文档

9
0
约小于1千字
约 25页
2017-09-13 发布于湖北
举报
版权申诉

SVM线性与非线性支持向量机探索.pptx

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

支持向量机SVM 2015.11.25 主要内容数据线性可分的情况数据非线性可分的情况支持向量机(Support Vector Machine, SVM)——一种对线性和非线性数据进行分类的方法。 SVM是一种算法，使用一种非线性映射，把原训练数据映射到较高的维上；在新的维上，搜索最优分离超平面。数据线性可分的情况首先考虑最简单的情况——两类问题，是线性可分的。最佳标准：分类间隔分类间隔：两类样本中离分类面最近的样本到分类面的距离称作分类间隔。数据线性可分的情况如何找出最佳超平面？ SVM通过搜索最大间隔超平面(Maximum Marginal Hyperplane, MMH)来处理该问题。数据线性可分的情况因为W是超平面的法向量，所以W实际上只由在H1平面上的样本点确定。在H1上的点叫做支持向量，它们撑起了分界线。数据线性可分的情况于是问题便转换为了求很容易看出当||W||=0的时候就得到了目标函数的最小值。反映在图中，就是H1与H2两条直线间的距离无限大，所有样本都进入了无法分类的灰色地带。解决方案：加一个约束条件——对所有样本正确分类数据线性可分的情况数据线性可分的情况数据线性可分的情况数据线性可分的情况数据线性可分的情况数据线性可分的情况决策数据线性可分的情况数据线性不可分的情况对于上述的SVM，处理能力还是很弱，仅仅能处理线性可分的数据。如果数据线性不可分的时候，我们就将低维的数据映射到更高的维，以此使数据重新线性可分。这转化的关键便是核函数。数据线性不可分的情况数据线性不可分的情况数据线性不可分的情况数据线性不可分的情况数据线性不可分的情况数据线性不可分的情况后面的都是我的导师张朝晖老师自己做的ppt 而我是直接用的，仅谢谢老师